目录:
对本书的赞誉
前言
如何使用本书
资源与支持
主要符号表
第 1 章 深度学习简介 1
1.1 起源 2
1.2 发展 4
1.3 成功案例 6
1.4 特点 7
小结 8
练习 8
第 2 章 预备知识 9
2.1 获取和运行本书的代码 9
2.1.1 获取代码并安装运行环境 9
2.1.2 更新代码和运行环境 11
2.1.3 使用GPU版的MXNet 11
小结12
练习12
2.2 数据操作 12
2.2.1 创建NDArray 12
2.2.2 运算 14
2.2.3 广播机制 16
2.2.4 索引 17
2.2.5 运算的内存开销 17
2.2.6 NDArray和NumPy相互变换18
小结19
练习19
2.3 自动求梯度 19
2.3.1 简单例子 19AL34
2.3.2 训练模式和预测模式 20
2.3.3 对Python控制流求梯度 20
小结21
练习21
2.4 查阅文档 21
2.4.1 查找模块里的所有函数和类 21
2.4.2 查找特定函数和类的使用 22
2.4.3 在MXNet网站上查阅 23
小结 24
练习 24
第3 章 深度学习基础 25
3.1 线性回归 25
3.1.1 线性回归的基本要素 25
3.1.2 线性回归的表示方法 28
小结 30
练习 30
3.2 线性回归的从零开始实现 30
3.2.1 生成数据集 30
3.2.2 读取数据集 32
3.2.3 初始化模型参数 32
3.2.4 定义模型 33
3.2.5 定义损失函数 33
3.2.6 定义优化算法 33
3.2.7 训练模型 33
小结 34
练习 34
3.3 线性回归的简洁实现 35
3.3.1 生成数据集 35
3.3.2 读取数据集 35
3.3.3 定义模型 36
3.3.4 初始化模型参数 36
3.3.5 定义损失函数 37
3.3.6 定义优化算法 37
3.3.7 训练模型 37
小结 38
练习 38
3.4 softmax回归 38
3.4.1 分类问题 38
3.4.2 softmax回归模型 39
3.4.3 单样本分类的矢量计算表达式 40
3.4.4 小批量样本分类的矢量计算表达式 40
3.4.5 交叉熵损失函数 41
3.4.6 模型预测及评价 42
小结 42
练习 42
3.5 图像分类数据集(Fashion-MNIST) 42
3.5.1 获取数据集 42
3.5.2 读取小批量 44
小结 45
练习 45
3.6 softmax回归的从零开始实现 45
3.6.1 读取数据集 45
3.6.2 初始化模型参数 45
3.6.3 实现softmax运算 46
3.6.4 定义模型 46
3.6.5 定义损失函数 47
3.6.6 计算分类准确率 47
3.6.7 训练模型 48
3.6.8 预测 48
小结 49
练习 49
3.7 softmax回归的简洁实现 49
3.7.1 读取数据集 49
3.7.2 定义和初始化模型 50
3.7.3 softmax和交叉熵损失函数 50
3.7.4 定义优化算法 50
3.7.5 训练模型 50
小结 50
练习 50
3.8 多层感知机 51
3.8.1 隐藏层 51
3.8.2 激活函数 52
3.8.3 多层感知机 55
小结 55
练习 55
3.9 多层感知机的从零开始实现 56
3.9.1 读取数据集 56
3.9.2 定义模型参数 56
3.9.3 定义激活函数 56
3.9.4 定义模型 56
3.9.5 定义损失函数 57
3.9.6 训练模型 57
小结 57
练习 57
3.10 多层感知机的简洁实现 57
3.10.1 定义模型 58
3.10.2 训练模型 58
小结 58
练习 58
3.11 模型选择、欠拟合和过拟合 58
3.11.1 训练误差和泛化误差 59
3.11.2 模型选择 59
3.11.3 欠拟合和过拟合 60
3.11.4 多项式函数拟合实验 61
小结 65
练习 65
3.12 权重衰减 65
3.12.1 方法 65
3.12.2 高维线性回归实验 66
3.12.3 从零开始实现 66
3.12.4 简洁实现 68
小结 70
练习 70
3.13 丢弃法 70
3.13.1 方法 70
3.13.2 从零开始实现 71
3.13.3 简洁实现 73
小结 74
练习 74
3.14 正向传播、反向传播和计算图 74
3.14.1 正向传播 74
3.14.2 正向传播的计算图 75
3.14.3 反向传播 75
3.14.4 训练深度学习模型 76
小结 77
练习 77
3.15 数值稳定性和模型初始化 77
3.15.1 衰减和爆炸 77
3.15.2 随机初始化模型参数 78
小结 78
练习 79
3.16 实战Kaggle比赛:房价预测 79
3.16.1 Kaggle比赛 79
3.16.2 读取数据集 80
3.16.3 预处理数据集 81
3.16.4 训练模型 82
3.16.5 k 折交叉验证 82
3.16.6 模型选择 83
3.16.7 预测并在Kaggle提交结果 84
小结 85
练习 85
第4章 深度学习计算 86
4.1 模型构造 86
小结 89
练习 90
4.2 模型参数的访问、初始化和共享 90
小结 94
练习 94
4.3 模型参数的延后初始化 95
小结 96
练习 97
4.4 自定义层 97
小结 99
练习 99
4.5 读取和存储 99
小结 101
练习 101
4.6 GPU计算 101
小结 105
练习 105
第5章 卷积神经网络 106
5.1 二维卷积层 106
小结 110
练习 110
5.2 填充和步幅 111
小结 113
练习 113
5.3 多输入通道和多输出通道 114
小结 117
练习 117
5.4 池化层 117
小结 120
练习 121
5.5 卷积神经网络(LeNet) 121
小结 124
练习 124
5.6 深度卷积神经网络(AlexNet) 124
小结 128
练习 129
5.7 使用重复元素的网络(VGG) 129
5.7.1 VGG块 129
5.7.2 VGG网络 129
5.7.3 训练模型 130
小结 131
练习 131
5.8 网络中的网络(NiN) 131
小结 134
练习 134
5.9 含并行连结的网络(GoogLeNet) 134
小结 137
练习 137
5.10 批量归一化 138
小结 142
练习 142
5.11 残差网络(ResNet) 143
小结 146
练习 146
5.12 稠密连接网络(DenseNet) 147
小结 149
练习 149
第6章 循环神经网络 150
6.1 语言模型 150
小结 152
练习 152
6.2 循环神经网络 152
小结 155
练习 155
6.3 语言模型数据集(歌词) 155
小结 158
练习 159
6.4 循环神经网络的从零开始实现 159
小结 164
练习 164
6.5 循环神经网络的简洁实现 165
小结 168
练习 168
小结 170
练习 170
6.7 门控循环单元(GRU) 170
小结 176
练习 176
6.8 长短期记忆(LSTM) 176
小结 181
练习 182
6.9 深度循环神经网络 182
小结 183
练习 183
6.10 双向循环神经网络 183
小结 184
练习 184
第7章 优化算法 185
7.1 优化与深度学习 185
小结 188
练习 189
7.2 梯度下降和随机梯度下降 189
小结 194
练习 194
7.3 小批量随机梯度下降 194
小结 199
练习 199
7.4 动量法 200
小结 205
练习 205
7.5 AdaGrad算法206
小结 209
练习 209
7.6 RMSProp算法 209
小结 212
练习 212
7.7 AdaDelta算法 212
小结 214
练习 214
7.8 Adam算法 215
小结 217
练习 217
第8章 计算性能 218
8.1 命令式和符号式混合编程 218
小结 224
练习 224
8.2 异步计算 224
小结 229
练习 229
8.3 自动并行计算 229
小结 231
练习 231
8.4 多GPU计算 232
小结 237
练习 237
8.5 多GPU计算的简洁实现 237
小结 241
练习 241
第9章 计算机视觉 242
9.1 图像增广242
小结 250
练习 250
9.2 微调 250
热狗识别 251
小结 255
练习 255
9.3 目标检测和边界框 255
边界框 256
小结 257
练习 257
9.4 锚框 257
小结 265
练习 265
9.5 多尺度目标检测 265
小结 268
练习 268
9.6 目标检测数据集(皮卡丘) 268
小结 270
练习 271
9.7 单发多框检测(SSD) 271
小结 278
练习 278
9.8 区域卷积神经网络(R-CNN)系列280
小结 285
练习 285
9.9 语义分割和数据集 285
小结 290
练习 290
9.10 全卷积网络(FCN) 290
小结 297
练习 297
9.11 样式迁移 298
小结 306
练习 306
9.12 实战Kaggle比赛:图像 分类(CIFAR-10)306
小结 313
练习 313
9.13 实战Kaggle比赛:狗的品种识别(ImageNet Dogs) 314
小结 320
练习 320
第10 章 自然语言处理 321
10.1 词嵌入(word2vec) 321
小结 325
练习 325
10.2 近似训练325
小结 327
练习 328
10.3 word2vec的实现328
小结 336
练习 336
10.4 子词嵌入(fastText) 336
小结 337
练习 337
10.5 全局向量的词嵌入(GloVe)337
小结 340
练习 340
10.6 求近义词和类比词340
小结 343
练习 343
10.7 文本情感分类:使用循环神经网络 343
小结 347
练习 347
10.8 文本情感分类:使用卷积神经网络(textCNN) 347
小结 353
练习 353
10.9 编码器-解码器(seq2seq)353
小结 355
练习 355
10.10 束搜索 355
小结 358
练习 358
10.11 注意力机制 358
小结 361
练习 361
10.12 机器翻译 361
小结 369
练习 369
附录A 数学基础 370
附录B 使用 Jupyter 记事本 376
附录C 使用 AWS 运行代码 381
附录D GPU 购买指南 388
附录E 如何为本书做贡献 391
附录F d2lzh 包索引 395
附录G 中英文术语对照表 397
参考文献 402
索引 407
联系客服